Datawhale X 李宏毅苹果书 AI夏令营 Task03 机器学习框架&实战攻略

1、过拟合：是指一个机器学习模型在训练数据上表现得很好，但在测试数据上表现不佳的现象。过拟合可能是因为模型过于复杂或者数据量太小。如果一个模型过于复杂，它可能会在训练数据中学习到噪声，而这些噪声可能并不普遍存在于测试数据中，这样就会导致过拟合。解决过拟合的方法包括增加训练数据、减小模型复杂度、使用正则化方法等。

2、卷积神经网络（CNN）是一种深度学习算法，它具有表征学习能力，可以按照其阶层结构对输入信息进行平移不变的处理。它是一种前馈神经网络，具有深度结构，包含卷积计算。它可以用于图像分类、语音识别等任务。

3、早停（早期停止法）：人工智能语境下，指一种正则化方法，在训练损失完成下降之前停止模型训练过程。当验证数据集（validationdata set）的损失开始上升的时候，即泛化表现变差的时候，就该使用早期停止法了。

4、正则化是一种在模型训练过程中使用的技术，用于控制模型在训练数据上的过拟合。在模型中添加正则化项，以限制模型参数的大小和复杂性，从而防止模型过度依赖于训练数据中的噪声。常见的正则化方法包括L1正则化、L2正则化等。正则化可以有效提高模型的泛化能力，并且在某些场合下还能提高模型的性能。

5、解决过拟合问题的两个可能方向：（1）增加训练集  （2）给模型一些限制，让模型不要有过大的灵活性。解决过拟合的问题，要给模型一些限制，最好模型正好跟背后产生数据的过程，过程是一样的就有机会得到好的结果。

6、给模型制造限制的方法：（1）给模型比较少的参数   （2）用比较少的特征，本来给 3 天的数据，改成用给两天的数据。  （3）其他方法比如早停（early stopping）、正则化（regularization）和丢弃法（dropoutmethod）。